هل سيحل الذكاء الاصطناعي محل مهندسي الذكاء الاصطناعي؟ العروض التجريبية صارت أسرع، لكن تصميم التقييم وضوابط الأمان وضبط التكلفة تبقى بشرية.
لا يمحو الذكاء الاصطناعي الحاجة إلى مهندسي الذكاء الاصطناعي. ما يضعف هو دور من يقتصر على بناء العروض التجريبية.
يقوم مهندس الذكاء الاصطناعي بما هو أكثر بكثير من استدعاء واجهة API لنموذج ما. فدوره أن يقرر كيف ينبغي دمج النموذج في مشكلة عمل حقيقية، وما المستوى الواقعي للدقة والسرعة والتكلفة والسلامة. وعمليًا، يعني ذلك تحويل الأفكار إلى شيء يمكن تشغيله فعلًا في بيئة الإنتاج، بما يشمل RAG والوكلاء والتقييم والمراقبة وضوابط الأمان.
لا تكمن قيمة هذا الدور في معرفة اسم أحدث نموذج، بل في تشكيل أنظمة ذكاء اصطناعي قابلة للاستخدام في بيئات حقيقية. قد يكتب الذكاء الاصطناعي على نحو متزايد الشيفرة المتعلقة بالذكاء الاصطناعي نفسه، لكن عمل تحديد المتطلبات، وتصميم التقييم، وتحمّل المسؤولية حين تفشل الأنظمة، سيبقى في يد البشر.
يحسبه ai-job-risk.net من أربع مجموعات بيانات عامة، على مقياس من 0 إلى 100 نسبةً إلى 188 مهنة نغطيها. الرقم الأعلى يعني أن جزءًا أكبر من مهام الوظيفة مما يستطيع الذكاء الاصطناعي التوليدي أداءه أو يُستخدم فيه بالفعل. وهو ليس احتمال فقدان الوظيفة.
تحليل المهام لدى الباحثين (Eloundou وزملاؤه؛ منظمة العمل الدولية). يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
الاستخدام المرصود لـ Microsoft Copilot وAnthropic Claude في مهام هذه المهنة. يُعرض كرتبة مئينية بين جميع المهن التي يقيّمونها.
لا يذكر مكتب BLS أي عامل خاص بهذه المهنة، لذا يعكس هذا الإسقاط أساسًا نمو أو تراجع القطاعات التي توظفها.
أرقام أمريكية لمهنة BLS "Software developers". تفترض توقعات BLS أن التقنية تواصل التطور بوتيرتها التاريخية؛ وهي ليست توقعًا لأثر الذكاء الاصطناعي وحده.
لا تتتبع الإحصاءات الرسمية هذا المسمى الوظيفي بعينه، لذا تصف الأرقام أقرب فئة مهنية رسمية.
المصادر
مؤشر التعرض يحسبه ai-job-risk.net من مجموعات البيانات أدناه (البيانات حتى 15 أكتوبر 2026). وأرقام العمل الأمريكية مصدرها BLS دون تغيير.
لم تُعدّ الجهات الناشرة هذا الموقع ولم تراجعه ولم تصادق عليه. الاستشهادات الكاملة والتراخيص والمنهجية
للوهلة الأولى، يبدو مهندسو الذكاء الاصطناعي من أقرب الوظائف إلى الاستبدال، لأن الذكاء الاصطناعي التوليدي يستطيع بالفعل إنتاج الشيفرة ومقترحات الأنظمة. والواقع أن المرحلة الأولى من بناء العروض التجريبية البسيطة والأغلفة البرمجية باتت أسرع بكثير.
لكن في التشغيل الفعلي، لا تزال هناك فجوة كبيرة بين عرض تجريبي يعمل ونظام يمكن استخدامه فعلًا في الميدان. فاختيار النموذج، وتحليل أنماط الفشل، وأساليب التقييم، وضبط التكلفة، وتصميم ضوابط الأمان، والمراقبة، كلها أمور مهمة.
لا يقتصر عمل مهندسي الذكاء الاصطناعي على ربط نموذج لغوي كبير بواجهة. فمسؤوليتهم الجوهرية هي دمج الذكاء الاصطناعي في العمل بأمان وبصيغة قابلة للتشغيل. والحد الفاصل عمليًا هو بين الأجزاء التي يُرجح أن يؤتمتها الذكاء الاصطناعي والأحكام التي سيظل البشر أصحابها.
ما يُرجح بشكل خاص أن يحل الذكاء الاصطناعي محله هو تنفيذ الأغلفة البرمجية للأنماط المألوفة وبناء العروض التجريبية البسيطة. وكلما قلّ تعقيد حالة الاستخدام، سهلت أتمتتها.
باتت عمليات الدمج الأساسية للنماذج، كواجهات الدردشة وواجهات API للتلخيص والترجمة، تُبنى بسرعة كبيرة بمساعدة الذكاء الاصطناعي. وإن اقتصر العمل على توصيل حزمة SDK، يصعب التمايز. أما النظام الجاهز للإنتاج فلا يزال يتطلب شخصًا يقرر ما يدخل وما يخرج وأين ينبغي أن يتوقف النظام.
يُنتج الذكاء الاصطناعي بسهولة مسودات أولى لخطوط RAG الشائعة ونصوص التقييم البرمجية. ولذلك أثر كبير في تسريع انطلاق التجارب. لكن حين تكون جودة البيانات ومعايير التقييم مبهمة، كثيرًا ما تصبح النتيجة نظامًا يبدو مقنعًا فحسب.
الذكاء الاصطناعي بارع جدًا في إنتاج صيغ متعددة للموجّهات وتعليمات النظام، ومن السهل توليد خيارات صياغة كثيرة. لكن ما لم يعرف الفريق أي الإخفاقات يريد منعها وما الذي ينبغي تقييمه، فإن التحسينات لا تتراكم على نحو ذي معنى.
يجعل دعم الذكاء الاصطناعي إنتاج المسودات الأولى لإثباتات المفهوم (PoC) والعروض الداخلية أسهل بكثير، وصار بناء نماذج أولية جذابة بسرعة أيسر. لكن العروض التي تتجاهل الاستثناءات التشغيلية وحدود المسؤولية لا يمكن نشرها كما هي.
ما يبقى لمهندسي الذكاء الاصطناعي هو عمل تقرير ما ينبغي أن يحققه الذكاء الاصطناعي وما مستوى الفشل المقبول. وستظل الأحكام المرتبطة بالتقييم والمسؤولية في يد البشر.
لا يزال على أحدهم أن يقرر ما ينبغي أتمتته، وأي الأخطاء مقبولة، وأين يجب أن تبقى المراجعة البشرية. فإن كان هذا الأساس مبهمًا، فقد تعمل النتيجة تقنيًا دون أن تصنع أي قيمة للعمل. وسيظل من يستطيعون توضيح منطلقات تبنّي الذكاء الاصطناعي مهمين.
لا يزال على مهندسي الذكاء الاصطناعي أن يقرروا كيفية قياس الدقة، وكذلك الهلوسة، والثقة المفرطة، والإغفال، والمخرجات المتحيزة، ومخاطر تسرب المعلومات. فبدون معايير تقييم لا يوجد اتجاه واضح للتحسين. وهذه من أكبر المسؤوليات في هذا الدور.
ليس النموذج الأعلى دقة هو الإجابة الصحيحة دائمًا. فعلى مهندسي الذكاء الاصطناعي الموازنة بين زمن الاستجابة وتكلفة الاستخدام وقابلية إعادة إنتاج النتائج والسلامة. ويبقى تقرير المعمارية الواقعية مسؤولية بشرية، لأن هنا يلتقي الاختيار التقني بحكم الأعمال.
بعد الإطلاق، لا يزال على أحدهم أن يراقب الإخفاقات وسجلات الاستخدام ونمو التكاليف وآثار تغيير النماذج، ثم يواصل تحسين النظام. فأنظمة الذكاء الاصطناعي لا تكتمل عند النشر. ومن يستطيعون الحفاظ على سلامة النظام العامل بمرور الوقت يصعب استبدالهم.
يحتاج مهندسو الذكاء الاصطناعي في المستقبل إلى أكثر من معرفة طريقة استخدام النماذج؛ إذ يحتاجون أيضًا إلى قوة في التقييم والمراقبة وربط التقنية بالأعمال. فالتنفيذ اللامع أقل أهمية من قدرتهم على بناء أنظمة تصمد في التشغيل.
يحتاج مهندسو الذكاء الاصطناعي إلى فهم نقاط قوة النماذج وضعفها، وآثار درجة الحرارة وطول السياق، والمواقف التي يُرجح فيها الفشل، ثم تحويل هذا الفهم إلى معايير تقييم. ومن يستطيعون تصميم أنظمة تقييم أرجح أن يحافظوا على قيمتهم حتى وسط الضجيج المحيط بالذكاء الاصطناعي.
في أنظمة RAG والأنظمة التي تستخدم الأدوات، يؤثر نوع البيانات المعروضة ودرجة التفصيل التي تُفهرس بها تأثيرًا كبيرًا في النتيجة. ففهم تصميم البيانات المحيطة لا يقل أهمية عن فهم النموذج ذاته. وفي حالات كثيرة، يحدد إعداد البيانات جودة الإجابة أكثر مما يحددها اختيار النموذج.
يحتاج مهندسو الذكاء الاصطناعي إلى تصميم الصلاحيات، وضوابط المخرجات، وسجلات التدقيق، وحدود الاستخدام، والسلوك البديل عند الإخفاق. فكلما ازدادت فائدة الذكاء الاصطناعي، ازداد أيضًا أثر المخرجات السيئة. ومن يستطيعون التصميم من أجل استخدام آمن ذوو قيمة عالية.
من المهم فهم المشكلات التشغيلية الحقيقية والحكم على ما إذا كان الذكاء الاصطناعي أصلًا هو الطريقة الصحيحة لحلها. فالأقوى ليسوا من يتبنون أحدث تقنية لذاتها، بل من يستطيعون تفسير المواضع التي ستحقق فيها نتائج فعلية.
تمتد خبرة مهندس الذكاء الاصطناعي إلى ما يتجاوز تنفيذ النماذج، لتشمل تصميم التقييم وتحديد المتطلبات والمراقبة التشغيلية. وهذا يسهّل الانتقال إلى أدوار مجاورة تجسر الهوة بين الأعمال والتقنية.
تدعم الخبرة في تحديد حالات استخدام الذكاء الاصطناعي وأنماط فشله ترتيبَ أولويات الميزات أيضًا. وهو خيار منطقي لمن يريدون الصعود خطوة فوق التنفيذ وتقرير المواضع التي ينبغي استخدام الذكاء الاصطناعي فيها من الأساس.
مؤشر التعرض 82/100 · الوظائف الأمريكية 2025–35 +6.9%
تنطبق الخبرة في تحسين ميزات الذكاء الاصطناعي عبر المقاييس والسجلات على العمل التحليلي أيضًا. ويناسب ذلك من يريدون التحول من تنفيذ النماذج نحو تحليل يدعم اتخاذ القرار.
مؤشر التعرض 95/100 · الوظائف الأمريكية 2025–35 +34.6%
يستطيع من يتمتعون بحساسية تجاه الصلاحيات والسلامة ومخاطر تسرب المعلومات الانتقال أيضًا إلى أدوار الأمن الدفاعي. ويناسب هذا المسار من يريدون توسيع الوعي بالمخاطر الذي بنوه في تشغيل الذكاء الاصطناعي الآمن إلى أعمال حماية أوسع.
مؤشر التعرض 87/100 · الوظائف الأمريكية 2025–35 +21.0%
ترتبط الخبرة في ترجمة مشكلات الأعمال إلى متطلبات للذكاء الاصطناعي ارتباطًا طبيعيًا بتحديد المتطلبات وتحسين العمليات. ويناسب ذلك من يريدون الانطلاق من المشكلات بدلًا من التفكير الذي يضع التقنية أولًا.
مؤشر التعرض 88/100 · الوظائف الأمريكية 2025–35 +10.1%
يمكن تطبيق الخبرة في تنسيق أصحاب المصلحة من مرحلة إثبات المفهوم حتى التشغيل على قيادة المشاريع متعددة الوظائف كذلك. ويناسب ذلك من يريدون الانتقال من التحقق التقني إلى إدارة التنفيذ الكلي.
مؤشر التعرض 70/100 · الوظائف الأمريكية 2025–35 +6.7%
ترتبط الخبرة في شرح ميزات الذكاء الاصطناعي المعقدة بوضوح بأعمال التوثيق أيضًا. وهو خيار جدير بالدراسة لمن يهتمون بنقل التعقيد التقني بدقة إلى المستخدمين أو الفرق الداخلية.
مؤشر التعرض 96/100 · الوظائف الأمريكية 2025–35 +0.8%
لا يمحو الذكاء الاصطناعي الحاجة إلى مهندسي الذكاء الاصطناعي. ما يضعف هو دور من يقتصر على بناء العروض التجريبية. قد يصبح دمج النماذج وتوليد المسودات الأولى أسرع، لكن عمل تحديد حالات الاستخدام، وتصميم التقييم، واتخاذ أحكام السلامة، وتحسين التشغيل سيبقى. وستأتي الميزة على المدى البعيد من القدرة على تصميم أنظمة ذكاء اصطناعي تعمل بأمان في بيئات حقيقية، أكثر مما تأتي من ملاحقة أحدث نموذج.
الوظائف المعروضة هنا تنتمي الى القطاع نفسه الذي تنتمي اليه مهندس ذكاء اصطناعي. وهي ليست الوظيفة نفسها، لكنها تساعد على مقارنة تاثير الذكاء الاصطناعي وقرب المسارات المهنية.
تسجّل مهنة مهندس ذكاء اصطناعي 85 من 100 على مؤشرنا للتعرض للذكاء الاصطناعي التوليدي (المرتبة 49 من 188). ويقيس ذلك مقدار العمل الذي يستطيع الذكاء الاصطناعي أداءه أو يُستخدم فيه، لا ما إذا كانت الوظيفة ستختفي. يتوقع مكتب BLS أن يتغير التوظيف في مهنة مهندس ذكاء اصطناعي في الولايات المتحدة بنسبة +10.2% بين 2025 و2035.
ما يُرجح بشكل خاص أن يحل الذكاء الاصطناعي محله هو تنفيذ الأغلفة البرمجية للأنماط المألوفة وبناء العروض التجريبية البسيطة. وكلما قلّ تعقيد حالة الاستخدام، سهلت أتمتتها. على سبيل المثال: تنفيذات بسيطة لاستدعاء النماذج، الشيفرة القالبية لأنظمة RAG والتقييم، توليد بدائل للموجّهات، بناء العروض التجريبية البسيطة.
ما يبقى لمهندسي الذكاء الاصطناعي هو عمل تقرير ما ينبغي أن يحققه الذكاء الاصطناعي وما مستوى الفشل المقبول. وستظل الأحكام المرتبطة بالتقييم والمسؤولية في يد البشر. على سبيل المثال: تحديد حالات الاستخدام ومستويات الجودة المقبولة، تصميم التقييم وإدارة أنماط الفشل، الحكم على المفاضلات بين التكلفة والسرعة والسلامة، المراقبة التشغيلية ودورات التحسين.
يحتاج مهندسو الذكاء الاصطناعي في المستقبل إلى أكثر من معرفة طريقة استخدام النماذج؛ إذ يحتاجون أيضًا إلى قوة في التقييم والمراقبة وربط التقنية بالأعمال. فالتنفيذ اللامع أقل أهمية من قدرتهم على بناء أنظمة تصمد في التشغيل. على سبيل المثال: فهم سلوك النماذج وتصميم التقييمات، تصميم أسس البيانات والاسترجاع، تصميم ضوابط الأمان للسلامة والتشغيل، ترجمة مشكلات الأعمال إلى قرارات تقنية.
